长三角金融效率、产业结构升级与全要素生产率关系研究

徐嘉浚，姜乐平

（安徽理工大学 经济与管理学院，安徽 淮南 232001）

“十四五”规划提出优化提升长三角城市群，引领高质量发展。2019年长三角地区经济总量达23.76万亿元，比上年增长9.69%，增长速度超全国平均3.59个百分点，占全国经济总量的24%，其中第三产业增加值13.12万亿元，比上年增长13.06%，对区域生产总值贡献率达55%。随着中国经济已由高速增长转变为高质量发展，内部结构升级缓慢、高端产业低端化等问题日益突显，原有的产业结构和资源配置效率存在发展的适应性难题。作为产业结构水平提升的重要方式，金融效率提升能够有效促进产业升级。2019年12月1日，《长江三角洲区域一体化发展规划纲要》提出加快长三角金融领域协同创新和改革，体现出金融效率促进产业结构升级的重要作用。同时，金融发展能够通过发挥金融中介与市场功能提升金融效率，降低交易成本，优化资源配置并促进技术进步，最终提高全要素生产率。产业结构升级通过将生产要素从低效率部门转移到高效率部门，合理配置生产要素，促进全要素生产率的增长，实现经济的高质量发展[1]。长三角地区作为推动经济转型升级的关键地域，如何厘清金融效率、产业结构升级与全要素生产率之间的关系，成为区域高质量发展亟需解决的问题。

一、文献综述

（一）金融效率与产业结构升级

关于金融效率与产业结构升级之间关系的研究成果较多，但是学界对金融效率是否促进产业升级尚存争议。最早有学者研究发现，金融效率与产业结构发展程度存在正相关性[2]。但也有学者认为金融效率无法助力产业结构升级[3]。另外，还有部分学者认为金融效率能够促进产业结构升级，金融发展能够影响资金的形成和投向，优化资源配置，促进产业结构发展[4-6]。

（二）金融效率与全要素生产率

关于金融效率与全要素生产率关系的研究比较丰富，研究结论也存在较大争议。最早有学者指出金融效率对全要素生产率具有促进影响[7]。目前，国内学者在此方面的研究结果可以分为两类：一是金融效率提升通过推动技术进步和提高技术效率，能够促进全要素生产率增长[8-9]；二是金融效率提升导致过高的金融杠杆将侵蚀实体经济，抑制全要素生产率增长[10]。

（三）产业结构升级与全要素生产率

关于产业结构升级与全要素生产率的关系研究仍然未成定论。学者最早研究认为产业结构升级无法促进全要素生产率增长[11]。目前，国内学者关于这方面的研究结论由三部分组成：一是产业结构升级过程存在生产要素配置效率低下、资源错配等现象，制约技术进步和生产效率提高，对全要素生产率增长具有负向影响[12-13]；二是产业结构升级使得要素向第三产业转移，增加高新技术和经济效率较高的生产性服务业比重，能够促进全要素生产率的增长[14]；三是产业结构升级对全要素生产率无明显影响[15]。

为继续探索金融效率、产业结构升级、全要素生产率三者之间的关系，结合本文研究特点，提出以下假设：

假设1：高收入地区金融效率能够促进产业结构升级。

假设2：高收入地区金融效率能够促进全要素生产率增长。

假设3：高收入地区产业结构升级能够促进全要素生产率增长。

假设4：中低收入地区金融效率能够促进产业结构升级。

假设5：中低收入地区金融效率能够促进全要素生产率增长。

假设6：中低收入地区产业结构升级能够促进全要素生产率增长。

为了验证假设，本文选用长三角“三省一市”41个城市的平衡面板数据，按照2019年人均生产总值将其分成高收入地区和中低收入地区，运用DEA-Malmquist指数和面板向量自回归模型（PVAR）深入探讨长三角金融效率、产业结构升级和全要素生产率之间的动态关系、区域差异，为研究长三角区域三者关系提供理论参考。

二、模型构建

（一）DEA-Malmquist指数方法

基于数据包络分析（DEA）模型的Malmquist指数用于评价包含多个时间点观测值的面板数据，并能分解成技术效率指数（Effch）和技术进步指数（Tech），其中技术效率指数还可分解为纯技术效率指数（Pech）和规模效率指数（Sech）。

Malmquist指数大于1表明全要素生产率上升，反之下降。

（二）PVAR模型

PVAR模型以VAR模型为基础，事先无需设定变量之间的因果关系，而是将系统中的所有变量视为内生变量，让系统中各个内生变量对所有内生变量的滞后值进行回归。PVAR模型兼具VAR模型和面板数据的优点，不需要预设经济理论中的变量关系，能够通过直观的脉冲响应函数图更好地观察各变量之间的关系。本文使用Stata的PVAR2程序探索长三角“三省一市”41个城市金融效率、产业结构升级和全要素生产率的动态关系。

（三）数据来源与指标设定

1.数据来源

本文以长三角为研究对象，为了确保面板数据的平衡性与可得性，选取了2011—2019年长三角“三省一市”41个城市的平衡面板数据，数据来源包括各省、市统计年鉴和统计公报，并以2019年人均生产总值100 000元为分界线将41个城市划分为高收入地区和中低收入地区（图1）。部分缺失数据采用线性插值法填补。

图1 城市收入分类

2.指标选择

金融效率指金融资源配置能够达到的帕累托最优。有的学者运用区域金融的投入和产出指标借助DEA方法测算金融效率[16]，亦有学者从多个指标运用熵值法综合衡量金融效率[9]。较多的学者采用金融机构贷款余额与存款余额的比例即贷存比来衡量[4,10]，贷存比的指标易获取，且具有代表性，因此，本文采用长三角41个城市贷存比指标作为金融效率的代理变量。

产业结构升级是产业结构从低级形态演化至高级形态的过程，通常伴随着整体产业效率的提升。有的学者采用第三产业产值占第二产业产值的比重来衡量产业结构升级[17]，有的学者综合服务业比重、非国有企业资本总额比重和产业结构高级化来评价产业结构的变动[18]，也有构建产业结构升级指数[19]或者将第三产业增加值占地区生产总值的比例作为产业结构升级的指标[3]。本文采用第三产业增加值占地区生产总值的比例来衡量长三角41个城市的产业结构升级状况。

全要素生产率是生产活动在一定时间内的效率，即全部产量与全部要素投入量之比。全要素生产率测算方法主要有参数法和非参数法。参数法包括Solow余值法、随机前沿SFA法等，非参数法包括DEA-Malmquist指数。非参数法优点是假设条件少，无模型设定要求，能够避免模型设定上的误差。因此，本文采用DEA-Malmquist指数来进行长三角41个城市的全要素生产率测算。

DEA-Malmquist指数方法选取投入和产出指标需要注意全要素生产率测算结果的真实性。在产出方面，有的学者使用与基年价格水平一致的生产总值[8,12]；在投入方面，学者们分别使用过年末从业人数[3]、永续盘存法计算的资本存量[12]、地级市建成区面积[14]、万吨标准煤消费量[20]。本文测算的产出变量选用与2010年价格水平一致的长三角41个城市的生产总值，投入变量选择长三角以9.6%[21]为折旧率、与2010年价格水平一致的永续盘存法计算的资本存量、年末从业人数、各市全社会用电量折算成的万吨标准煤消费量，以期反映C-D生产函数以及能源消费量对产出的影响，在全要素生产率测算方面的创新在于将能源消费水平作为投入变量。表1是模型中所有变量的总结。

表1 变量选取

三、实证分析

（一）长三角全要素生产率分析

本文在DEAP2.1软件上使用DEA-Malmquist指数测算长三角41个城市2011—2019年各年全要素生产率，并使用Arcgis10.2直观地呈现长三角地区2011年、2014年、2017年和 2019年分别的全要素生产率（图2）。图中颜色深浅代表全要素生产率的高低，颜色较浅的区域为全要素生产率高值区，颜色较深的区域为全要素生产率低值区。从图2可以发现，以南京为中心的城市群常年处于高值区，2019年全要素生产率分布“江苏→浙江→上海→安徽”依次递减。全要素生产率色块的渐进式分布表明长三角的全要素生产率存在较强的空间相关，具有一体化研究的必要性。

图2 长三角地区全要素生产率区域差异

（二）滞后期选择

为了保证PVAR模型的准确性，避免滞后阶数与实际情况的不相符，本文使用Stata/IC15.0软件进行滞后阶数的选择。从表2可见，根据AIC准则，最终选取高收入地区和中低收入地区数据的最优滞后阶数为4、2。

表2 滞后阶数选择

（三）面板数据单位根检验

为了避免伪回归、共线性、截面相关性和异方差等问题，面板数据需要进行单位根检验。本文运用Stata/IC15.0对数据进行PP和LLC检验。由表3可知，模型中各地区所有一阶差分序列PP和LLC检验值在1%水平上通过检验，即一阶单整，拒绝存在单位根的原假设。

表3 单位根检验结果

（四）协整检验

对于一阶单整的面板数据，需要对是否存在长期协整关系作进一步考察，本文使用Kao和Pedroni检验进行考察。从表4可见，各地区检验值均在1%水平上通过Kao检验，表明面板数据存在长期协整关系，可以进行PVAR模型计量。

表4 协整检验结果

（五）脉冲响应函数

PVAR模型的脉冲响应函数（IRF）能够直观地展现各变量之间的动态交互关系，反映变量间的脉冲关系。为保证分析结果的稳健性和可靠性，利用Stata/IC15.0软件进行1 000次跨度为10期的蒙特卡洛模拟，得到高收入地区和中低收入地区的脉冲响应函数图，出于篇幅限制，在这里只关注关键的脉冲响应函数变量（见图3、图4），其中纵轴表示冲击响应程度，横轴表示滞后阶数，中线表示变量受到冲击时的振幅大小，上下两线表示95%的置信区间。

1.长三角高收入地区脉冲响应函数

图3上图表示产业结构升级在金融效率提升后存在持续的正向作用，在第3期达到最大值0.458 9，在第7期回归稳态，表示高收入地区的金融效率能够持续促进产业结构升级，证实了假设1。高收入地区的金融发展达到了较高水平，金融效率提升能够帮助银行业金融机构有效识别优质企业并发放贷款，有利于产业结构升级的企业发展。中图表示高收入地区的金融效率提升对全要素生产率存在正向冲击，在第1期达到最大值0.003 2，并在第2期后回归稳态，证实了假设2。这表明高收入地区金融效率水平较为饱和，对全要素生产率的促进作用时间较短。下图表示高收入地区的产业结构升级在第6期前对全要素生产率造成持续的负向冲击，但在第8期后产生了正向影响，第9期冲击值达到0.001 4，假设3在长期内得证。这可能与高收入地区的产业结构水平已经达到了较为优化的程度有关，短期内过度提升将破坏原有结构，造成资源错配，但是在长期将掀起新一轮的产业升级潮，打造一条提升全要素生产率的重要渠道。

图3 高收入地区脉冲响应函数

2.长三角中低收入地区脉冲响应函数

由图4上图可知，中低收入地区的金融效率在第4期前对产业结构升级产生正向作用，并在第2期达到最大值0.326 1，低于高收入地区，但在4期后对产业结构升级起负面作用，短期内证实假设4。这是因为中低收入地区的金融效率提升很大程度上会帮助该地区增加就业、发展服务业，促进第三产业产值提升和结构优化，但长期来看，金融效率提升导致房地产开发投资增加，提高第二产业增加值，降低了第三产业产值比重，导致产业结构低端化，这表明中低收入地区应转变发展方式，将产业升级与消费升级相结合，创造健康的经济增长方式。中图显示中低收入地区的金融效率在第3期前对全要素生产率只有负面影响，但在第3期后能够促进全要素生产率增长，第6期达到最大值0.001 7，证实假设5。这表明中低收入地区金融效率提升能够在长期内为优质企业提供金融支持，引导全要素生产率增长。下图显示全要素生产率受到产业结构升级冲击时响应为持续的负面效果，第1期最大负面响应值为-0.003 6，在第8期时回归零值，尽管在第9期达到0.000 1，但数值过小，缺乏经济意义，未证实假设6。这是因为中低收入地区的产业结构升级需要另辟蹊径，不应一味模仿发达地区的产业模式，而是要结合自身地理、制度、人口、文化、经济的特点来进行产业结构升级，最终实现全要素生产率提升的高质量发展。

图4 中低收入地区脉冲响应函数

总的来说，假设证明情况如表5所示。长三角高收入地区和中低收入地区的金融效率提升能够促进产业结构升级，金融效率提升对全要素生产率存在正向作用，高收入地区的产业结构升级能够促进全要素生产率的增长，这些均与以往研究结论一致[1，4，6，8]。中低收入地区产业结构升级无法促进全要素生产率的增长，支持了部分学者的研究结果[12-13，15]。长三角高收入地区和中低收入地区的研究结果大部分具备一致性，这表明二者之间联系紧密，具备区域一体化的基础。

表5 假设证明情况总结

四、对策建议

基于研究结论，本文提出以下对策建议：

第一，积极协调长三角一体化，缩小区域差异。城市发展初期需要集中人才和资本，形成“虹吸效应”。在长三角一体化建设时期，未来应更多发挥大城市的“涓流作用”，让发达城市的资源能够与周边城市进行协调，增强区域交流合作，推动长三角一体化建设发展。安徽应与江浙沪加强金融、产业结构合作，进行发展战略、资源要素、企业精神的共享、协调与一体化，形成长三角命运共同体，增加协同发展实力。

第二，优化金融效率。以外源性融资为主体部分的长三角企业，尤其是中小企业，需要更多金融机构提供资金支持。让金融成为长三角产业结构升级的强力支撑，为产业结构升级推动经济高质量发展打下坚实基础。

第三，推动长三角产业结构优化调整。长三角产业结构升级促进全要素生产率提升的渠道仍未打通，未来应对产业结构作出调整，从而通过产业结构升级带来更多待遇优渥的工作岗位，探索新能源产业的长三角整体布局规划，为经济社会高质量发展提供重要保障。